ศูนย์กลางการ เคลื่อนไหว ค่าเฉลี่ย วิดีโอ

ฉันจะเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปข้างหน้าและข้างหลังได้อย่างไร (wvideo) การขยับค่าเฉลี่ยเคลื่อนที่ไม่เป็นไปอย่างที่อาจเป็นไปได้ ประการแรก chartists อาจต้องการเปรียบเทียบราคาปัจจุบันของวันกับค่าเฉลี่ยของค่าเฉลี่ยของวันก่อนหน้า เมื่อต้องการทำเช่นนี้เราต้องเปลี่ยนค่าเฉลี่ยเคลื่อนที่ไปข้างหน้าหนึ่งช่วง ประการที่สองค่าเฉลี่ยเคลื่อนที่ 50 วันเป็นค่าเฉลี่ยของช่วง 50 วันที่ผ่านมาและนักคิดแบบชาญฉลาดบางคนต้องการแสดงค่านี้ในช่วงกลางของระยะเวลา 50 วันดังกล่าว นี่เป็นที่รู้จักกันว่าเป็นค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง Chartists สามารถเปลี่ยน (ย้าย) ค่าเฉลี่ยเคลื่อนที่ไปข้างหน้าหรือย้อนกลับโดยการเพิ่มเครื่องหมายจุลภาคและตัวเลขให้กับพารามิเตอร์ การเพิ่มเครื่องหมายจุลภาคและตัวเลขเป็นค่าเฉลี่ยเคลื่อนที่ 50 วัน (50,25) จะเป็นการเลื่อนไปข้างหน้า 25 งวดซึ่งจะนำไปวางไว้ในอนาคต ค่าเฉลี่ยเคลื่อนที่สามารถเลื่อนกลับโดยก่อนหน้าตัวเลขที่มีเครื่องหมายลบ (50, -25) ค่านี้จะเปลี่ยนค่าเฉลี่ยย้อนหลัง 25 รอบซึ่งจะอยู่ในช่วงกลางของช่วงเวลาที่มองย้อนกลับ (50 วัน) แผนภูมิด้านบนแสดง SMA 50 วันตามปกติเป็นสีน้ำเงินค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนไปข้างหน้าเป็นสีแดงและค่าเฉลี่ยเคลื่อนที่โดยศูนย์กลางเป็นสีเขียว ผู้ใช้ SharpCharts สามารถเปลี่ยนตัวชี้วัดที่ใช้ค่าเฉลี่ยเคลื่อนที่ได้ ประกอบด้วย Bollinger Bands, Keltner Channels, SMA Envelopes และ Channels ราคา ตัวอย่างข้างต้นแสดง SMA Envelopes เลื่อนไปข้างหน้าหนึ่งช่วง (10,1,1) พิเศษที่ปลายที่ 1 คือพารามิเตอร์ขยับ บรรทัดนี้ขึ้นแถบราคาปัจจุบันที่มีค่าบ่งชี้เมื่อวานนี้ นี่จะเป็นประโยชน์ถ้าคุณต้องการทราบว่าการกระทำในวันนี้จะเพียงพอหรือไม่เกินค่าตัวบ่งชี้ของวันก่อนหน้านี้ค่าเฉลี่ยของค่าเฉลี่ยและค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางสองสามจุดเกี่ยวกับฤดูกาลในชุดเวลาจะมีการทำซ้ำแม้ว่าจะดูเหมือนชัดเจนก็ตาม หนึ่งคือคำว่า 8220season8221 ไม่จำเป็นต้องอ้างถึงสี่ฤดูกาลในปีอันเป็นผลมาจากการเอียงแกน Earth8217s ในการวิเคราะห์เชิงคาดการณ์ 8220season8221 มักหมายถึงอย่างแม่นยำเนื่องจากหลาย ๆ ปรากฏการณ์ที่เราศึกษาทำแตกต่างกันไปตามความก้าวหน้าของฤดูใบไม้ผลิถึงฤดูหนาวเช่นการขายเกียร์ฤดูหนาวหรือฤดูร้อนอุบัติการณ์ของโรคที่แพร่หลายอย่างหนึ่งเหตุการณ์สภาพอากาศที่เกิดจากสถานที่ตั้ง เจ็ตสตรีมและการเปลี่ยนแปลงของอุณหภูมิของน้ำในมหาสมุทรแปซิฟิกตะวันออกและอื่น ๆ เหตุการณ์ที่เกิดขึ้นอย่างสม่ำเสมออาจทำตัวเหมือนฤดูกาลอุตุนิยมวิทยาถึงแม้จะมีความเชื่อมโยงที่อ่อนแอกับทางเดินและวิษุวัต การเลื่อนโรงพยาบาลและโรงงานเป็นเวลา 8 ชั่วโมงมักจะแสดงออกมาในอัตราการบริโภคและค่าใช้จ่ายที่นั่นฤดูมีความยาวแปดชั่วโมงและมีฤดูกาลรอบทุกวันไม่ใช่ทุกปี วันครบกำหนดสำหรับภาษีสัญญาณจุดเริ่มต้นของน้ำท่วมของเงินดอลลาร์เข้าเทศบาลข้าราชการของรัฐและรัฐบาลกลางมีฤดูกาลอาจจะยาวหนึ่งปี (ภาษีเงินได้บุคคลธรรมดา) หกเดือน (ภาษีทรัพย์สินในหลายรัฐ) ไตรมาส (ภาษีนิติบุคคลจำนวนมาก ) และอื่น ๆ It8217s แปลกนิดหน่อยที่เรามีคำว่า 8220season8221 เพื่ออ้างถึงระยะเวลาที่เกิดขึ้นเป็นประจำเป็นประจำ แต่ไม่ใช่คำทั่วไปสำหรับช่วงเวลาที่ช่วงเวลาครบรอบหนึ่งฤดูกาลเกิดขึ้น 8220Cycle8221 เป็นไปได้ แต่ในการวิเคราะห์และการคาดการณ์ว่าคำนั้นมักใช้เพื่อหมายถึงระยะเวลาที่ความยาวไม่แน่นอนเช่นวัฏจักรธุรกิจ ในกรณีที่ไม่มีคำที่ดีกว่า I8217ve ใช้ 8220 รวมระยะเวลา 8221 ในบทต่อไปนี้ isn8217t เพียงคำศัพท์ขบคิด วิธีการที่เราระบุฤดูกาลและช่วงเวลาที่ฤดูกาลมีความเป็นจริงหากมีความสำคัญน้อยกว่าสำหรับการวัดผลกระทบของพวกเขา หัวข้อต่อไปนี้จะกล่าวถึงวิธีที่นักวิเคราะห์บางคนมีความแตกต่างกันไปในวิธีที่คำนวณค่าเฉลี่ยเคลื่อนที่โดยขึ้นอยู่กับว่าจำนวนของฤดูกาลเป็นเลขคี่หรือไม่ สมมติว่าเมืองใหญ่ ๆ กำลังพิจารณาการจัดสรรใหม่ของตำรวจจราจรให้ดีขึ้นเพื่อระบุถึงอัตราการขับขี่ขณะที่มีการด้อยค่าซึ่งเมืองเชื่อว่ามีการเพิ่มขึ้น สี่สัปดาห์ที่ผ่านมากฎหมายฉบับใหม่มีผลบังคับใช้ถูกต้องตามกฎหมายการครอบครองและใช้สันทนาการของกัญชา ตั้งแต่นั้นเป็นต้นมาจำนวนเที่ยวบินที่จับกุม DWI ทุกวันดูเหมือนจะมีแนวโน้มสูงขึ้น เรื่องที่ซับซ้อนขึ้นความจริงที่ว่าจำนวนการจับกุมดูเหมือนจะเพิ่มขึ้นในวันศุกร์และวันเสาร์ เพื่อช่วยวางแผนความต้องการกำลังคนในอนาคตคุณจะต้องการคาดการณ์แนวโน้มใด ๆ ที่เริ่มต้นขึ้น You8217d ต้องการเวลาในการปรับใช้ทรัพยากรของคุณเพื่อคำนึงถึงฤดูกาลที่เกี่ยวกับฤดูกาลที่เกิดขึ้น รูปที่ 5.9 มีข้อมูลที่เกี่ยวข้องที่คุณต้องใช้ด้วย รูปที่ 5.9 ด้วยชุดข้อมูลนี้ในแต่ละวันของสัปดาห์ถือเป็นฤดู แม้โดยเพียงแค่ eyeballing แผนภูมิในรูปที่ 5.9 คุณสามารถบอกได้ว่าแนวโน้มการจับกุมทุกวันมีมากขึ้น คุณต้องวางแผนที่จะขยายจำนวนเจ้าหน้าที่จราจรและหวังว่าแนวโน้มจะหมดเร็ว ๆ นี้ นอกจากนี้ข้อมูลยังมีข้อสังเกตว่าการจับกุมเกิดขึ้นเป็นประจำทุกวันศุกร์และวันเสาร์ดังนั้นการจัดสรรทรัพยากรของคุณจึงจำเป็นต้องแก้ปัญหาดังกล่าว แต่คุณต้องคิดเชิงปริมาณเพื่อระบุจำนวนตำรวจที่จะได้รับเพิ่มเติม นอกจากนี้คุณยังต้องประมาณจำนวนขนาดที่คาดว่าจะเกิดขึ้นในช่วงสุดสัปดาห์เพื่อหาจำนวนตำรวจที่คุณต้องติดตามเพิ่มเติมสำหรับโปรแกรมควบคุมที่ผิดพลาดในวันนั้น ปัญหาคือว่า ณ ยังคุณ don8217t ทราบว่าการเพิ่มรายวันเป็นเพราะแนวโน้มและเท่าใดเนื่องจากผลวันหยุดสุดสัปดาห์ที่ คุณสามารถเริ่มต้นโดย detrending ชุดเวลา ก่อนหน้าในบทนี้ 8220 คุณเห็นตัวอย่างของวิธีการลดชุดเวลาเพื่อให้สามารถแยกแยะผลกระทบตามฤดูกาลได้โดยใช้วิธีง่ายๆเพียงอย่างเดียว ในส่วนนี้ you8217 จะเห็นวิธีดำเนินการดังกล่าวโดยใช้การย้ายค่าเฉลี่ยโดยเฉลี่ยเป็นไปได้มากวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่จะถูกใช้บ่อยขึ้นในการวิเคราะห์เชิงคาดการณ์มากกว่าวิธีการเฉลี่ยแบบง่ายๆ มีเหตุผลหลายประการที่ทำให้ความนิยมในการเคลื่อนที่โดยเฉลี่ยอยู่ในหมู่คนเหล่านี้ว่าวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ไม่ได้ขอให้คุณยุบข้อมูลของคุณในกระบวนการคิดเชิงปริมาณ โปรดจำไว้ว่าตัวอย่างก่อนหน้านี้ทำให้จำเป็นต้องยุบเฉลี่ยรายไตรมาสเป็นค่าเฉลี่ยรายปีคำนวณแนวโน้มรายปีและเผยแพร่หนึ่งในสี่ของแนวโน้มประจำปีในแต่ละไตรมาสในปี ขั้นตอนดังกล่าวเป็นสิ่งจำเป็นเพื่อลดแนวโน้มจากผลกระทบตามฤดูกาล ในทางตรงกันข้ามวิธีการย้ายเฉลี่ยช่วยให้คุณสามารถ detrend ชุดเวลาโดยไม่ต้องใช้เพื่อการเรียงลำดับของการใช้เครื่องจักร รูปที่ 5.10 แสดงให้เห็นว่าวิธีการเคลื่อนไหวเฉลี่ยทำงานในตัวอย่างปัจจุบันอย่างไร ภาพที่ 5.10 ค่าเฉลี่ยเคลื่อนที่ในแผนภูมิที่สองจะชี้แจงแนวโน้มพื้นฐาน รูปที่ 5.10 จะเพิ่มคอลัมน์เฉลี่ยเคลื่อนที่และคอลัมน์สำหรับช่วงเวลาที่เฉพาะเจาะจง ไปยังชุดข้อมูลในรูปที่ 5.9 การเพิ่มเติมทั้งสองต้องมีการอภิปราย การจับกุมที่เกิดขึ้นในช่วงสุดสัปดาห์ทำให้คุณมีเหตุผลที่เชื่อได้ว่าคุณกำลังทำงานกับฤดูกาลที่ทำซ้ำในแต่ละสัปดาห์ ดังนั้นให้เริ่มต้นด้วยการคำนวณค่าเฉลี่ยสำหรับรอบระยะเวลา 8212 คือช่วงเจ็ดฤดูกาลแรกวันจันทร์ถึงวันอาทิตย์ สูตรสำหรับค่าเฉลี่ยในเซลล์ D5 ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่แรกที่ใช้ได้มีดังนี้สูตรที่ถูกคัดลอกและวางลงผ่านเซลล์ D29 ดังนั้นคุณจึงมีค่าเฉลี่ยเคลื่อนที่ 25 ค่าจากระยะเวลา 25 ครั้งติดต่อกัน 7 วัน ขอให้สังเกตว่าเพื่อที่จะแสดงทั้งสองข้อสังเกตแรกและไม่กี่ข้อสุดท้ายในซีรีส์เวลาฉันได้ซ่อนแถว 10 ถึง 17 คุณสามารถยกเลิกการซ่อนไฟล์เหล่านี้ได้หากต้องการในสมุดงานบทที่ 827 ซึ่งมีอยู่ในเว็บไซต์ publisher8217s เลือกแถวที่มองเห็นได้หลายแถว 9 และ 18 คลิกขวาที่ส่วนหัวแถวแถวหนึ่งแถวแล้วเลือกยกเลิกการซ่อนจากเมนูทางลัด เมื่อคุณซ่อนแถวของ worksheet8217s ตามที่ I8217ve ทำในรูป 5.10 ข้อมูลแผนภูมิใด ๆ ในแถวที่ซ่อนอยู่จะถูกซ่อนไว้ในแผนภูมิ ป้ายแกน x ระบุเฉพาะจุดข้อมูลที่ปรากฏในแผนภูมิ เนื่องจากค่าเฉลี่ยเคลื่อนที่แต่ละค่าในรูปที่ 5.10 ครอบคลุมถึงเจ็ดวันค่าเฉลี่ยเคลื่อนที่จะไม่ถูกจับคู่กับการสังเกตจริงสามหรือสามข้อแรก การคัดลอกและวางสูตรในเซลล์ D5 ขึ้นหนึ่งวันไปยังเซลล์ D4 จะทำให้คุณไม่สามารถสังเกตการณ์ได้ 821 ไม่มีการสังเกตการณ์ที่บันทึกไว้ในเซลล์ C1 ในทำนองเดียวกันไม่มีค่าเฉลี่ยเคลื่อนที่ที่บันทึกไว้ด้านล่างเซลล์ D29 การคัดลอกและวางสูตรใน D29 เป็น D30 จะต้องมีการสังเกตในเซลล์ C33 และจะไม่มีการสังเกตสำหรับวันที่เซลล์จะเป็นตัวแทน อาจเป็นไปได้ที่จะลดความยาวของค่าเฉลี่ยเคลื่อนที่ลงเหลือเพียงห้าแทนเจ็ด การทำเช่นนี้หมายความว่าสูตรการเคลื่อนที่เฉลี่ยในรูป 5.10 สามารถเริ่มต้นในเซลล์ D4 แทนที่จะเป็น D5 อย่างไรก็ตามในการวิเคราะห์ประเภทนี้คุณต้องการให้ค่าเฉลี่ยเคลื่อนที่เท่ากับจำนวนของฤดูกาล: เจ็ดวันต่อสัปดาห์สำหรับเหตุการณ์ที่เกิดขึ้นเป็นประจำทุกสัปดาห์หมายถึงค่าเฉลี่ยเคลื่อนที่ของความยาวเจ็ดและสี่ในสี่ปีสำหรับเหตุการณ์ที่เกิดขึ้น เกิดขึ้นเป็นประจำทุกปีหมายถึงค่าเฉลี่ยเคลื่อนที่ของความยาวสี่ ในลักษณะเดียวกันเรามักประเมินผลกระทบตามฤดูกาลตามลักษณะที่รวมศูนย์ภายในช่วงเวลาที่ครอบคลุม ดังที่คุณได้เห็นในส่วนแรกของบทที่ 8217s เกี่ยวกับค่าเฉลี่ยที่เรียบง่ายโดยคำนวณจากค่าเฉลี่ยของไตรมาสสี่ในหนึ่งปีและจากนั้นลบค่าเฉลี่ยสำหรับปีออกจากตัวเลขรายไตรมาส ดังนั้นการทำเพื่อให้แน่ใจว่าผลรวมของฤดูกาลตามฤดูกาลเป็นศูนย์ ในทางกลับกัน that8217s มีประโยชน์เพราะมันทำให้ผลกระทบตามฤดูกาลเมื่อผลฤดูร้อน footing8212a ทั่วไปของ 11 คือไกลจากค่าเฉลี่ยเป็นผลฤดูหนาวของ 821111 ถ้าคุณต้องการเฉลี่ยห้าฤดูกาลแทนเจ็ดที่จะได้รับค่าเฉลี่ยเคลื่อนที่ของคุณ you8217re ดีกว่า ค้นหาปรากฏการณ์ที่เกิดซ้ำทุกๆห้าฤดูกาลแทนที่จะเป็นทุกเจ็ด อย่างไรก็ตามเมื่อคุณใช้ค่าเฉลี่ยของผลกระทบตามฤดูกาลในขั้นตอนต่อไปค่าเฉลี่ยเหล่านี้จะไม่รวมเป็นศูนย์ จำเป็นต้องใช้ It8217s ณ จุดที่จะปรับแต่งใหม่หรือทำให้เป็นมาตรฐาน ค่าเฉลี่ยเพื่อให้ผลรวมเป็นศูนย์ เมื่อเสร็จสิ้นแล้วค่าเฉลี่ยที่เป็นฤดูกาลโดยเฉลี่ยจะแสดงผลต่อช่วงเวลาที่เป็นของฤดูกาล เมื่อเป็นปกติแล้วค่าเฉลี่ยของฤดูกาลจะเรียกว่าดัชนีตามฤดูกาลที่บทนี้ได้กล่าวถึงหลายครั้งแล้ว คุณจะเห็นว่ามันทำงานอย่างไรในตอนท้ายของบทนี้ใน 8220 การคำนวณหาค่าเฉลี่ยเคลื่อนที่โดยเฉพาะ 8221 การทำความเข้าใจเกี่ยวกับ Seasonals เฉพาะภาพที่ 5.10 แสดงให้เห็นถึงสิ่งที่เรียกว่า seasonals เฉพาะในคอลัมน์ E. พวกเขาเหลืออย่างไรเมื่อลบค่าเฉลี่ยเคลื่อนที่จากการสังเกตจริง เพื่อให้ได้ความรู้สึกของฤดูกาลที่ระบุให้พิจารณาค่าเฉลี่ยเคลื่อนที่ในเซลล์ D5 ค่าเฉลี่ยของการสังเกตใน C2: C8 ค่าเบี่ยงเบนของการสังเกตแต่ละค่าจากค่าเฉลี่ยเคลื่อนที่ (เช่น C2 8211 D5) มีการรับประกันว่าจะมีค่าเฉลี่ยเท่ากับ zero8212that8217s ดังนั้นแต่ละส่วนเบี่ยงเบนแสดงถึงผลของการเชื่อมโยงกับวันเฉพาะในสัปดาห์นั้น ๆ It8217 เป็นฤดูกาลที่เฉพาะเจาะจงแล้วค่อยเป็นค่อยไปเพราะความเบี่ยงเบนที่ใช้เฉพาะวันจันทร์หรือวันอังคารเป็นต้นไปและเป็นฤดูกาลเพราะในตัวอย่างนี้เราปฏิบัติต่อทุกวันราวกับว่ามันเป็นฤดูกาลในรอบสัปดาห์ที่ครอบคลุม เนื่องจากแต่ละฤดูกาลมีการวัดผลของฤดูกาลในช่วงฤดูที่มีรายได้เฉลี่ยอยู่ที่ -224-vis เฉลี่ยที่เคลื่อนไหวได้สำหรับกลุ่ม (ที่นี่) เจ็ดฤดูกาลคุณจึงสามารถเฉลี่ยเฉพาะฤดูกาลสำหรับฤดูใดแห่งหนึ่ง (เช่นทุกวันศุกร์ใน time series) เพื่อประมาณว่า season8217s ทั่วไปไม่ใช่เฉพาะผล ค่าเฉลี่ยนั้นไม่ได้รับผลกระทบจากแนวโน้มในซีรีส์เวลาเนื่องจากแต่ละช่วงเวลาที่เฉพาะเจาะจงแสดงการเบี่ยงเบนจากค่าเฉลี่ยเคลื่อนที่โดยเฉพาะของตัวเอง การปรับระดับค่าเฉลี่ยเคลื่อนที่ There8217s ยังเป็นคำถามในการกำหนดค่าเฉลี่ยเคลื่อนที่ด้วยชุดข้อมูลต้นฉบับ ในรูปที่ 5.10 ฉันได้ปรับค่าเฉลี่ยเคลื่อนที่แต่ละค่าไว้ที่จุดกึ่งกลางของช่วงการสังเกตที่รวมไว้ด้วย ดังนั้นตัวอย่างเช่นสูตรในเซลล์ D5 จะมีค่าเฉลี่ยการสังเกตใน C2: C8 และฉันได้ปรับแนวให้สอดคล้องกับการสังเกตครั้งที่ 4 จุดกึ่งกลางของช่วงเฉลี่ยโดยวางไว้ในแถว 5 การจัดเรียงนี้เรียกว่าค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง . และนักวิเคราะห์หลายคนชอบที่จะปรับค่าเฉลี่ยเคลื่อนที่แต่ละค่าให้ตรงกับจุดกึ่งกลางของข้อสังเกตว่าค่าเฉลี่ยนั้น โปรดจำไว้ว่าในบริบทนี้ 8220midpoint8221 หมายถึงช่วงกลางของช่วงเวลา: วันพฤหัสบดีเป็นจุดกึ่งกลางของวันจันทร์ถึงวันอาทิตย์ ไม่ได้หมายถึงค่ามัธยฐานของค่าที่สังเกตได้ แต่แน่นอนว่าอาจใช้วิธีนี้ได้ในทางปฏิบัติ อีกวิธีหนึ่งคือค่าเฉลี่ยเคลื่อนที่ต่อเนื่อง ในกรณีนี้ค่าเฉลี่ยเคลื่อนที่แต่ละค่าจะสอดคล้องกับการสังเกตครั้งสุดท้ายว่าค่าเฉลี่ยอยู่ที่ 8212 ดังนั้นจึงมีข้อขัดแย้งกับอาร์กิวเมนต์ นี่เป็นข้อตกลงที่คุณต้องการถ้าคุณต้องการใช้ค่าเฉลี่ยเคลื่อนที่ตามการคาดการณ์เช่นเดียวกับการทำให้เรียบโดยใช้เลขยกกำลังเนื่องจากค่าเฉลี่ยเคลื่อนที่สุดท้ายของคุณเกิดขึ้นพร้อมกันกับการสังเกตที่มีอยู่ในขั้นสุดท้าย ค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางพร้อมกับจำนวนของฤดูกาลเรามักจะใช้ขั้นตอนพิเศษเมื่อจำนวนฤดูกาลเป็นมากกว่าแปลก นั่นคือสถานการณ์ทั่วไปของกิจการ: มีแนวโน้มที่จะเป็นตัวเลขของฤดูกาลในช่วงเวลาที่ครอบคลุมสำหรับฤดูกาลทั่วไปเช่นเดือนไตรมาสและช่วงสี่ปี (สำหรับการเลือกตั้ง) ความยากลำบากกับจำนวนคู่ของฤดูกาลคือไม่มีจุดกึ่งกลาง สองไม่ได้เป็นจุดกึ่งกลางของช่วงเริ่มต้นที่ 1 และสิ้นสุดที่ 4 และไม่เป็น 3 ถ้าสามารถกล่าวได้ว่ามีจุดกึ่งกลางคือ 2.5 หกไม่ได้เป็นจุดกึ่งกลางของ 1 ถึง 12 และไม่ใช่ 7 จุดกึ่งกลางทางทฤษฎีอย่างหมดจดคือ 6.5 หากต้องการทำหน้าที่เป็นจุดกึ่งกลางคุณต้องเพิ่มเลเยอร์เฉลี่ยที่อยู่บนยอดเฉลี่ยเคลื่อนที่ ดูรูปที่ 5.11 รูปที่ 5.11 Excel มีหลายวิธีในการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง ความคิดที่อยู่เบื้องหลังวิธีนี้เพื่อให้ได้ค่าเฉลี่ยเคลื่อนที่ที่ทรงตัวอยู่กึ่งกลางจุดกึ่งกลางที่มีอยู่เมื่อมีจำนวนหลายช่วงเวลาคือการดึงจุดกึ่งกลางดังกล่าวไปข้างหน้าโดยครึ่งซีซั่น คุณคำนวณค่าเฉลี่ยเคลื่อนที่ที่จะเน้นที่จุดที่สามในเวลาถ้าห้าฤดูกาลแทนสี่หมายถึงการเปิดเต็มหนึ่งปฏิทิน That8217s ทำโดยใช้ค่าเฉลี่ยเคลื่อนที่ติดต่อกันสองค่าและค่อยเฉลี่ย ดังนั้นในรูปที่ 5.11 there8217s ค่าเฉลี่ยเคลื่อนที่ในเซลล์ E6 ที่ค่าเฉลี่ยใน D3: D9 เนื่องจากมีค่าตามฤดูกาล 4 แบบใน D3: D9 ค่าเฉลี่ยเคลื่อนที่ใน E6 คิดว่าเป็นศูนย์กลางในฤดูกาลจินตนาการ 2.5 ซึ่งสั้นลงครึ่งหนึ่งของฤดูกาลผู้สมัครที่มีอยู่ก่อน 3 (ช่วง 1 และ 2 ไม่สามารถใช้เป็นจุดกึ่งกลางสำหรับ การขาดข้อมูลให้มีค่าเฉลี่ยก่อนฤดูกาลที่ 1) อย่างไรก็ตามโปรดทราบว่าค่าเฉลี่ยเคลื่อนที่ในเซลล์ E8 จะให้ค่าเฉลี่ยใน D5: D11 ซึ่งเป็นค่าที่สองเป็นอันดับที่ 5 ในชุดข้อมูลเวลา ค่าเฉลี่ยนั้นอยู่ตรงกลางที่จุด (สมมุติ) 3.5 ระยะเวลาเต็มตัวก่อนค่าเฉลี่ยที่ศูนย์กลางที่ 2.5 โดยเฉลี่ยสองค่าเฉลี่ยเคลื่อนที่ดังนั้นการคิดไปคุณสามารถดึงจุดกึ่งกลางของค่าเฉลี่ยเคลื่อนที่แรกไปข้างหน้าได้ครึ่งหนึ่งของจุดจาก 2.5 เป็น 3 นั่นคือค่าเฉลี่ยของคอลัมน์ F ในรูปที่ 5.11 เซลล์ F7 ให้ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยใน E6 และ E8 และค่าเฉลี่ยใน F7 จะสอดคล้องกับจุดข้อมูลที่สามในชุดเวลาเดิมในเซลล์ D7 เพื่อเน้นว่าค่าเฉลี่ยอยู่ที่กึ่งกลางของฤดูกาลนั้น ถ้าคุณขยายสูตรในเซลล์ F7 รวมทั้งค่าเฉลี่ยเคลื่อนที่ในเซลล์ E6 และ E8 คุณจะเห็นว่าค่านี้เป็นค่าเฉลี่ยถ่วงน้ำหนักของห้าค่าแรกในชุดเวลาโดยค่าแรกและอันดับที่ห้าให้น้ำหนัก จาก 1 และค่าที่สองถึงค่าที่สี่ให้น้ำหนัก 2 ซึ่งทำให้เราสามารถคำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางได้รวดเร็วและง่ายขึ้นโดยมีจำนวนซีซันเป็นคู่ ๆ ยังอยู่ในรูปที่ 5.11 น้ำหนักจะถูกเก็บไว้ในช่วง H3: H11 สูตรนี้ส่งค่าเฉลี่ยเคลื่อนที่เป็นศูนย์กลางแรกในเซลล์ I7: สูตรนี้จะส่งกลับค่า 13.75 ซึ่งเหมือนกับค่าที่คำนวณโดยสูตรสองเท่าในเซลล์ F7 การอ้างอิงถึงน้ำหนักโดยรวมโดยใช้สัญลักษณ์ดอลลาร์ใน H3: H11 คุณสามารถคัดลอกสูตรและวางลงเท่าที่จำเป็นเพื่อให้ได้ส่วนที่เหลือของค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง เมื่อจำแนกค่าเฉลี่ยเคลื่อนที่จากการสังเกตเดิมเพื่อให้ได้ฤดูกาลที่เฉพาะเจาะจงคุณจะลบแนวโน้มพื้นฐานออกจากชุดข้อมูล What8217s ที่เหลืออยู่ใน seasonals เฉพาะเป็นปกติชุด stationary แนวนอนกับสองลักษณะพิเศษที่ทำให้ seasonals เฉพาะออกจากเส้นตรงอย่างแน่นอน: ผลตามฤดูกาลและข้อผิดพลาดแบบสุ่มในข้อสังเกตเดิม รูปที่ 5.12 แสดงผลลัพธ์สำหรับตัวอย่างนี้ รูปที่ 5.12 ผลกระทบเฉพาะฤดูกาลสำหรับวันศุกร์และวันเสาร์ยังคงชัดเจนในชุด detrended แผนภูมิด้านบนในรูปที่ 5.12 แสดงการสังเกตการณ์รายวันฉบับแรก ทั้งแนวโน้มการขึ้นและแนวโน้มในช่วงสุดสัปดาห์ตามฤดูกาลมีความชัดเจน แผนภูมิด้านล่างจะแสดงเฉพาะฤดูกาล: ผลจากการลบชุดเดิมที่มีตัวกรองค่าเฉลี่ยเคลื่อนที่ตามที่ได้อธิบายไว้ก่อนหน้านี้ใน 8220 เฉพาะฤดูกาลที่ระบุเท่านั้น 8222 คุณจะเห็นว่าซีรีส์ที่ถูก detrended อยู่ในแนวนอนเกือบเท่านี้ (เส้นตรงสำหรับฤดูเฉพาะเจาะจง มีการปรับตัวลดลงเล็กน้อย) แต่ฤดูกาลตามฤดูกาลในวันศุกร์และวันเสาร์ยังคงอยู่ในสถานที่ ขั้นตอนต่อไปคือการก้าวข้ามฤดูกาลที่เฉพาะเจาะจงไปเป็นดัชนีตามฤดูกาล ดูรูป 5.13 รูป 5.13 ผล seasonals ที่เฉพาะเจาะจงเป็นค่าเฉลี่ยแรกแล้วจึงเป็น normalized เพื่อเข้าถึงดัชนีตามฤดูกาล ในรูปที่ 5.13 seasonals ที่เฉพาะเจาะจงในคอลัมน์ E จะถูกจัดเรียงใหม่ในรูปแบบตารางที่แสดงในช่วง H4: N7 โดยมีวัตถุประสงค์เพื่อช่วยในการคำนวณค่าเฉลี่ยของฤดูกาลโดยง่าย ค่าเฉลี่ยเหล่านี้แสดงไว้ใน H11: N11 อย่างไรก็ตามตัวเลขใน H11: N11 เป็นค่าเฉลี่ยไม่เบี่ยงเบนจากค่าเฉลี่ยดังนั้นเราจึงคาดว่าจะสามารถรวมกันเป็นศูนย์ได้ เรายังต้องปรับเปลี่ยนเพื่อแสดงความเบี่ยงเบนจากความหมายที่ยิ่งใหญ่ ค่าเฉลี่ยที่ยิ่งใหญ่นี้จะปรากฏในเซลล์ N13 และเป็นค่าเฉลี่ยของค่าเฉลี่ยตามฤดูกาล เราสามารถเข้าถึงดัชนีตามฤดูกาลโดยการลบค่าเฉลี่ยที่ยิ่งใหญ่ใน N13 ออกจากค่าเฉลี่ยแต่ละฤดูกาล ผลลัพธ์อยู่ในช่วง H17: N17 ดัชนีตามฤดูกาลเหล่านี้ไม่มีการระบุเฉพาะค่าเฉลี่ยเคลื่อนที่โดยเฉพาะอย่างยิ่งเช่นเดียวกับฤดูกาลที่ระบุในคอลัมน์ E. เพราะพวกเขาคำนวณค่าเฉลี่ยของแต่ละช่วงของฤดูกาลที่กำหนด สี่สัปดาห์ในชุดเวลา นอกจากนี้มาตรการเหล่านี้เป็นมาตรการหนึ่งของฤดูกาลที่เกิดขึ้นเมื่อปีที่แล้วซึ่งส่งผลกระทบต่อการจับกุมการจราจรในปีพ. ศ. 244 โดยมีค่าเฉลี่ยสำหรับระยะเวลาเจ็ดวัน ขณะนี้เราสามารถใช้ดัชนีตามฤดูกาลดังกล่าวเพื่อลดความซับซ้อนของซีรีส์ We8217 ใช้ชุดข้อมูลที่ได้รับการคาดเดาเพื่อให้ได้การคาดการณ์โดยวิธีการถดถอยเชิงเส้นหรือวิธีการของ Holt8217s เพื่อทำให้ชุดมีแนวโน้มดีขึ้น (กล่าวถึงในบทที่ 4) จากนั้นเราก็เพิ่มดัชนีตามฤดูกาลในการคาดการณ์เพื่อให้ความสำคัญกับพวกเขาอีกครั้ง ทั้งหมดนี้จะปรากฏในรูปที่ 5.14 รูป 5.14 หลังจากที่คุณทำตามดัชนีตามฤดูกาลแล้วการสัมผัสการตกแต่งตามที่ใช้ในที่นี้เหมือนกับในวิธีการของค่าเฉลี่ยแบบธรรมดา ขั้นตอนที่แสดงในรูป 5.14 ส่วนใหญ่จะเหมือนกับรูปที่ 5.6 และ 5.7 กล่าวถึงในส่วนต่อไปนี้ ลบข้อสังเกตออกจากดัชนีตามฤดูกาลจากข้อสังเกตเดิมเพื่อลดความเหลื่อมล้ำของข้อมูล คุณสามารถทำได้ดังแสดงในรูปที่ 5.14 ในการสังเกตการณ์เดิมและดัชนีตามฤดูกาลจะจัดเป็นสองรายการที่ขึ้นต้นด้วยแถวเดียวกันคอลัมน์ C และ F. การจัดเรียงนี้ทำให้ง่ายต่อการคำนวณการคำนวณ นอกจากนี้คุณยังสามารถลบตามที่แสดงในรูปที่ 5.6 (C12: F16), ดัชนีรายไตรมาส (C8: F8) และผลลัพธ์ที่ไม่รวม (C20: F24) จะแสดงเป็นรูปแบบตาราง ข้อตกลงดังกล่าวทำให้ง่ายขึ้นเล็กน้อยในการมุ่งเน้นที่ดัชนีตามฤดูกาลและไตรมาสที่มีการแจกแจง การคาดการณ์จากการสังเกตการณ์ตามหลักธรรมาภิบาลในรูปที่ 5.14 ข้อสังเกตที่มีอยู่ในคอลัมน์ H และในรูปที่ 5.7 พวกเขามีอยู่ในคอลัมน์ C. ไม่ว่าคุณต้องการใช้วิธีการถดถอยหรือวิธีการเรียบในการคาดการณ์หรือไม่ก็ตาม it8217s ควรจัดให้มีข้อสังเกตที่เป็นข้อสังเกตในรายการคอลัมน์เดี่ยว ในรูปที่ 5.14 การคาดการณ์อยู่ในคอลัมน์ J. สูตรอาร์เรย์ต่อไปนี้ถูกป้อนในช่วง J2: J32 ก่อนหน้าในบทนี้ผมชี้ให้เห็นว่าถ้าคุณข้ามอาร์กิวเมนต์ค่า x จากอาร์กิวเมนต์ฟังก์ชัน 8217s ของ TREND () Excel จะระบุค่าดีฟอลต์ 1 2. n โดยที่ n คือจำนวนของ y-values ในสูตรที่กำหนดไว้ H2: H32 มีค่า y 31 ค่า เนื่องจากอาร์กิวเมนต์ปกติที่ประกอบด้วย x-values ​​ขาดหายไป Excel จะระบุค่าดีฟอลต์ 1 2. 31. ค่าเหล่านี้เป็นค่าที่เราต้องการใช้ในคอลัมน์ B ดังนั้นสูตรตามที่กำหนดจะเท่ากับ TREND (H2: H32, B2: B32) โครงสร้างที่ใช้ใน D5: D24 ในรูปที่ 5.7: การพยากรณ์อากาศแบบ One-Step-Ahead จนถึงขณะนี้คุณได้จัดเตรียมการคาดการณ์ของชุดข้อมูลเวลาที่กำหนดไว้ตั้งแต่วันที่ t ถึง t 31 ในรูปที่ 5.14 และจาก t 1 ถึง t 20 ในรูปที่ 5.7 การคาดการณ์เหล่านี้เป็นข้อมูลที่เป็นประโยชน์สำหรับวัตถุประสงค์ต่างๆรวมถึงการประเมินความถูกต้องของการคาดการณ์ด้วยการวิเคราะห์ RMSE แต่วัตถุประสงค์หลักของคุณคือการคาดการณ์อย่างน้อยที่สุดต่อไปเป็นระยะเวลาที่ยังไม่ได้สังเกต เมื่อต้องการทำเช่นนั้นคุณสามารถคาดการณ์ได้จากฟังก์ชัน TREND () หรือ LINEST () ถ้าคุณใช้การถดถอยหรือจากสูตรการทำให้เรียบโดยใช้วิธี Holt8217s จากนั้นคุณสามารถเพิ่มดัชนีตามฤดูกาลที่เกี่ยวข้องลงในการถดถอยหรือปรับการคาดการณ์เพื่อคาดการณ์ซึ่งรวมทั้งแนวโน้มและผลตามฤดูกาล ในรูปที่ 5.14 คุณจะได้รับการคาดการณ์การถดถอยในเซลล์ J33 ด้วยสูตรนี้: ในสูตรนี้ค่า y ใน H2: H32 จะเหมือนกับสูตร TREND () ในคอลัมน์ J. ดังนั้นค่าดีฟอลต์ x ของค่าเท่ากับ 1 ถึง 32 ขณะนี้แม้ว่าคุณจะจัดหาค่า x ใหม่เป็นอาร์กิวเมนต์ที่สาม function8217s ซึ่งคุณบอก TREND () เพื่อค้นหาในเซลล์ B33 It8217s 32. ค่าถัดไปของ t และ Excel จะส่งคืนค่า 156.3 ในเซลล์ J33 ฟังก์ชัน TREND () ในเซลล์ J33 กำลังบอก Excel มีผล 8220 คำนวณสมการถดถอยสำหรับค่าใน H2: H32 ที่ถดถอยบนค่า t 1 ถึง 31 ใช้สมการถดถอยดังกล่าวกับค่า x-value ใหม่ของ 32 และส่งคืนผลลัพธ์ 8222 You8217 พบวิธีเดียวกันในเซลล์ D25 ของรูป 5.7 โดยการเพิ่มดัชนีตามฤดูกาลในการคาดการณ์แนวโน้มการย้อนกลับสิ่งที่คุณทำสี่ขั้นตอนกลับเมื่อคุณลบล้างการคาดการณ์ ดัชนีจากข้อสังเกตเดิม นี้จะทำในคอลัมน์ F ในรูปที่ 5.7 และคอลัมน์ K ในรูปที่ 5.14 Don8217t ลืมเพิ่มดัชนีตามฤดูกาลที่เหมาะสมสำหรับการคาดการณ์ล่วงหน้าหนึ่งก้าวโดยมีผลลัพธ์ที่แสดงในเซลล์ F25 ในรูปที่ 5.7 และในเซลล์ K33 ในรูป 5.14 (I8217ve ระลอกเซลล์หนึ่งก้าวไปข้างหน้าทั้งในรูปที่ 5.7 และรูป 5.14 เพื่อไฮไลต์การคาดการณ์) คุณสามารถดูแผนภูมิสามข้อมูลที่แสดงถึงข้อมูลการจับกุมการจราจรในรูป 5.15 การคาดการณ์เชิงเส้นจากข้อมูลที่ไม่ได้รับการคาดการณ์และการคาดการณ์แบบมีส่วนร่วม โปรดทราบว่าการคาดการณ์จะรวมทั้งแนวโน้มทั่วไปของข้อมูลดั้งเดิมและช่วงเวลา FridaySaturday รูปที่ 5.15 การประมาณค่าการคาดการณ์ค่าเฉลี่ยค่าเฉลี่ยของผลการคำนวณ (data, window, dim, option) คำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางของข้อมูล matrix โดยใช้ขนาดหน้าต่างที่ระบุในหน้าต่างในมิติสลัวโดยใช้อัลกอริธึมที่ระบุไว้ในตัวเลือก Dim และ option เป็นอินพุตตัวเลือกและจะใช้ค่าเริ่มต้นเป็น 1 Dim และ option optional inputs สามารถข้ามได้ทั้งหมดหรือสามารถแทนที่ด้วย a. ตัวอย่างเช่น movingmean (data, window) จะให้ผลลัพธ์เช่น movingmean (ข้อมูลหน้าต่าง 1,1) หรือ movingmean (ข้อมูลหน้าต่าง ,, 1) ข้อมูลเมทริกซ์ขนาดและมิติข้อมูลจะถูก จำกัด ด้วยขนาดเมตริกซ์สูงสุดสำหรับแพลตฟอร์มของคุณ หน้าต่างต้องเป็นจำนวนเต็มและควรเป็นเลขคี่ ถ้าหน้าต่างเป็นได้แล้วจะมีการปัดเศษลงไปที่เลขคี่ที่ต่ำกว่าถัดไป ฟังก์ชันจะคำนวณค่าเฉลี่ยเคลื่อนที่ที่รวมจุดกลางและ (window-1) 2 องค์ประกอบก่อนและหลังในมิติข้อมูลที่ระบุ ที่ขอบของเมทริกซ์จำนวนองค์ประกอบก่อนหรือหลังจะลดลงเพื่อให้ขนาดหน้าต่างที่เกิดขึ้นจริงน้อยกว่าหน้าต่างที่ระบุ ฟังก์ชันถูกแบ่งออกเป็นสองส่วนคืออัลกอริธึม 1d-2d และอัลกอริทึม 3 มิติ วิธีนี้ทำเพื่อเพิ่มประสิทธิภาพความเร็วในการแก้ปัญหาโดยเฉพาะในเมทริกซ์ขนาดเล็ก (เช่น 1000 x 1) นอกจากนี้อัลกอริทึมต่างๆในปัญหา 1d-2d และ 3d มีให้เช่นเดียวกับในบางกรณีอัลกอริทึมเริ่มต้นไม่เร็วที่สุด โดยทั่วไปจะเกิดขึ้นเมื่อเมทริกซ์กว้างมาก (เช่น 100 x 100000 หรือ 10 x 1000 x 1000) และค่าเฉลี่ยเคลื่อนที่จะคำนวณในมิติที่สั้นกว่า ขนาดที่อัลกอริทึมดีฟอลต์จะทำงานช้าลงจะขึ้นอยู่กับคอมพิวเตอร์ MATLAB 7.8 (R2009a) แท็กสำหรับไฟล์นี้โปรดล็อกอินเพื่อแท็กไฟล์ กรุณาเข้าสู่ระบบเพื่อเพิ่มความคิดเห็นหรือให้คะแนน ความคิดเห็นและการให้คะแนน (8) ฟังก์ชั่นเกี่ยวข้องกับปลายโดยการตัดส่วนท้ายหรือส่วนนำของหน้าต่างและเปลี่ยนเป็นค่าเฉลี่ยเคลื่อนที่ชั้นนำหรือต่อท้ายแทนที่จะเป็นจุดศูนย์กลาง ไปกับตัวอย่างที่คุณให้ไว้ในความคิดเห็นของคุณถ้าขนาดหน้าต่างอยู่ที่ 3 จากนั้นตรงกลาง 1 ฟังก์ชันค่าเฉลี่ยข้อมูลจากจุด 1 และ 2 ที่จุดศูนย์ 2 จุด 1, 2 และ 3 จะเฉลี่ยที่จุดศูนย์กลาง 9 จุดที่ 8, 9 และ 10 เป็นค่าเฉลี่ยและอยู่ที่ศูนย์ 10 (สมมุติว่าเวกเตอร์มี 10 รายการ) คะแนนเฉลี่ย 9 และ 10 movmean จัดการกับปลายไม่ว่าจะเริ่มต้นด้วยขนาดหน้าต่างที่ครอบคลุมเฉพาะจุด 1 ที่ 1 แล้ว 3 จุดที่จุด 2 แล้วเพิ่มขึ้นในขนาดหน้าต่างจนกว่าขนาดหน้าต่างที่ระบุไว้ในการป้อนข้อมูลฟังก์ชั่นขอบคุณ ดีและเรียบง่าย ขอขอบคุณ. งานที่ดีเป็นประโยชน์อย่างที่ Stephan Wolf กล่าว สิ่งที่ฉันกำลังมองหา ค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางซึ่งสามารถทำงานในพล็อตเหนือความกว้างทั้งหมดโดยไม่ต้องมองหาขนาดหน้าต่างของตัวกรองและย้ายจุดเริ่มต้น การเร่งการก้าวของวิศวกรรมและวิทยาศาสตร์ MathWorks เป็นผู้นำในการพัฒนาซอฟต์แวร์คอมพิวเตอร์สำหรับวิศวกรและนักวิทยาศาสตร์ค่าเฉลี่ย: อะไรคือตัวชี้วัดทางเทคนิคที่ได้รับความนิยมมากที่สุดโดยค่าเฉลี่ยเคลื่อนที่ที่ใช้ในการวัดทิศทางของแนวโน้มในปัจจุบัน ค่าเฉลี่ยเคลื่อนที่ทุกประเภท (เขียนโดยทั่วไปในบทแนะนำนี้เป็น MA) คือผลทางคณิตศาสตร์ที่คำนวณโดยเฉลี่ยจำนวนจุดข้อมูลที่ผ่านมา เมื่อพิจารณาแล้วค่าเฉลี่ยที่เกิดขึ้นจะถูกวางแผนลงในแผนภูมิเพื่อให้ผู้ค้าสามารถดูข้อมูลที่ราบรื่นแทนที่จะมุ่งเน้นไปที่ความผันผวนของราคาในแต่ละวันที่มีอยู่ในตลาดการเงินทั้งหมด รูปแบบที่ง่ายที่สุดของค่าเฉลี่ยเคลื่อนที่โดยทั่วไปหมายถึงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) โดยคำนวณค่าเฉลี่ยเลขคณิตของชุดค่าที่กำหนด ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันคุณจะเพิ่มราคาปิดจาก 10 วันที่ผ่านมาและหารผลตาม 10 ในรูปที่ 1 ผลรวมของราคาในช่วง 10 วันที่ผ่านมา (110) คือ หารด้วยจำนวนวัน (10) เพื่อให้ได้ค่าเฉลี่ย 10 วัน หากผู้ค้าต้องการเห็นค่าเฉลี่ย 50 วันแทนจะต้องมีการคำนวณประเภทเดียวกัน แต่จะรวมราคาในช่วง 50 วันที่ผ่านมา ค่าเฉลี่ยที่เกิดขึ้นด้านล่าง (11) คำนึงถึงจุดข้อมูล 10 จุดที่ผ่านมาเพื่อให้ผู้ค้าทราบว่าสินทรัพย์มีราคาเทียบกับ 10 วันที่ผ่านมาอย่างไร บางทีคุณอาจสงสัยว่าทำไมผู้ค้าทางเทคนิคเรียกเครื่องมือนี้ว่าเป็นค่าเฉลี่ยเคลื่อนที่และไม่ใช่แค่ค่าเฉลี่ยปกติ คำตอบก็คือเมื่อค่าใหม่มีพร้อมใช้งานจุดข้อมูลที่เก่าที่สุดต้องถูกลดลงจากชุดข้อมูลและจุดข้อมูลใหม่ ๆ ต้องมาเพื่อแทนที่ ดังนั้นชุดข้อมูลจึงมีการย้ายข้อมูลบัญชีใหม่ ๆ ไปเรื่อย ๆ วิธีการคำนวณนี้ช่วยให้แน่ใจได้ว่าจะมีการบันทึกข้อมูลปัจจุบันเท่านั้น ในรูปที่ 2 เมื่อมีการเพิ่มค่าใหม่ของชุดที่ 5 ช่องสีแดง (แทนจุดข้อมูล 10 จุดที่ผ่านมา) จะเลื่อนไปทางขวาและค่าสุดท้ายของ 15 จะถูกลดลงจากการคำนวณ เนื่องจากค่าที่ค่อนข้างเล็ก 5 จะแทนที่ค่าที่สูงถึง 15 คุณจึงคาดว่าจะเห็นค่าเฉลี่ยของการลดลงของชุดข้อมูลซึ่งในกรณีนี้มีค่าตั้งแต่ 11 ถึง 10 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่จะทำอย่างไรเมื่อค่าของ MA ได้รับการคำนวณพวกเขาจะวางแผนลงบนแผนภูมิและเชื่อมต่อแล้วเพื่อสร้างเส้นค่าเฉลี่ยเคลื่อนที่ เส้นโค้งเหล่านี้มีอยู่ทั่วไปในแผนภูมิของผู้ค้าด้านเทคนิค แต่วิธีการใช้งานเหล่านี้อาจแตกต่างกันอย่างมาก (ในภายหลัง) ดังที่เห็นในรูปที่ 3 คุณสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่ได้มากกว่าหนึ่งรายการในแผนภูมิใด ๆ โดยการปรับจำนวนช่วงเวลาที่ใช้ในการคำนวณ เส้นโค้งเหล่านี้ดูเหมือนจะเสียสมาธิหรือทำให้เกิดความสับสนในตอนแรก แต่คุณจะคุ้นเคยกับพวกเขาเมื่อเวลาผ่านไป เส้นสีแดงเป็นเพียงราคาเฉลี่ยในช่วง 50 วันที่ผ่านมาในขณะที่เส้นสีน้ำเงินเป็นราคาเฉลี่ยในช่วง 100 วันที่ผ่านมา ตอนนี้คุณเข้าใจว่าค่าเฉลี่ยเคลื่อนที่คืออะไรและแนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่ที่ต่างกันและดูว่าค่าเฉลี่ยเคลื่อนที่แตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่กล่าวถึงก่อนหน้านี้เท่าไร ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นที่นิยมอย่างมากของผู้ค้า แต่เป็นตัวบ่งชี้ทางเทคนิคทั้งหมดก็มีนักวิจารณ์ หลายคนอ้างว่าประโยชน์ของ SMA มีข้อ จำกัด เนื่องจากแต่ละจุดในชุดข้อมูลมีน้ำหนักเหมือนกันโดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในลำดับ นักวิจารณ์ยืนยันว่าข้อมูลล่าสุดมีความสำคัญมากกว่าข้อมูลที่เก่ากว่าและควรมีอิทธิพลมากขึ้นต่อผลลัพธ์สุดท้าย ในการตอบสนองต่อคำวิจารณ์นี้ผู้ค้าเริ่มให้ความสำคัญกับข้อมูลล่าสุดซึ่งนำไปสู่การประดิษฐ์เครื่องคิดเลขใหม่ ๆ ประเภทต่างๆซึ่งเป็นที่นิยมมากที่สุดซึ่งเป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) (สำหรับการอ่านเพิ่มเติมโปรดดูข้อมูลเบื้องต้นเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักและความแตกต่างระหว่าง SMA กับ EMA) ค่าเฉลี่ยเคลื่อนที่แบบเสวนาค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือค่าเฉลี่ยเคลื่อนที่ที่ให้น้ำหนักมากกว่าราคาล่าสุดในความพยายามที่จะทำให้การตอบสนองดีขึ้น ข้อมูลใหม่ ๆ การเรียนรู้สมการที่ค่อนข้างซับซ้อนสำหรับการคำนวณ EMA อาจไม่จำเป็นสำหรับผู้ค้าจำนวนมากเนื่องจากเกือบทุกชุดรูปแบบแผนภูมิทำคำนวณสำหรับคุณ อย่างไรก็ตามสำหรับคุณ geeks คณิตศาสตร์ออกมีที่นี่สมการ EMA: เมื่อใช้สูตรในการคำนวณจุดแรกของ EMA คุณอาจสังเกตเห็นว่าไม่มีค่าที่จะใช้เป็น EMA ก่อนหน้านี้ ปัญหาเล็ก ๆ นี้สามารถแก้ไขได้โดยเริ่มต้นการคำนวณด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและต่อเนื่องโดยใช้สูตรด้านบนจากที่นั่น เราได้จัดเตรียมสเปรดชีตตัวอย่างไว้ในตัวอย่างชีวิตจริงในการคำนวณทั้งค่าเฉลี่ยเคลื่อนที่แบบเรียบและค่าเฉลี่ยเคลื่อนที่แบบเสวนา ความแตกต่างระหว่าง EMA และ SMA ตอนนี้คุณเข้าใจดีว่า SMA และ EMA คำนวณอย่างไรให้ลองดูว่าค่าเฉลี่ยเหล่านี้แตกต่างกันอย่างไร เมื่อพิจารณาการคำนวณ EMA คุณจะสังเกตเห็นว่าจุดข้อมูลสำคัญ ๆ อยู่ในจุดข้อมูลล่าสุดทำให้เป็นประเภทของค่าเฉลี่ยถ่วงน้ำหนัก ในรูปที่ 5 ตัวเลขของช่วงเวลาที่ใช้ในแต่ละค่าเฉลี่ยเหมือนกัน (15) แต่ EMA จะตอบสนองต่อการเปลี่ยนแปลงราคาได้เร็วขึ้น สังเกตว่า EMA มีมูลค่าสูงขึ้นเมื่อราคาเพิ่มขึ้นและลดลงเร็วกว่า SMA เมื่อราคาลดลง การตอบสนองนี้เป็นเหตุผลหลักที่ทำให้ผู้ค้าจำนวนมากต้องการใช้ EMA มากกว่า SMA อะไรที่แตกต่างกันระหว่างวันหมายถึงค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ที่สามารถปรับแต่งได้โดยสิ้นเชิงซึ่งหมายความว่าผู้ใช้สามารถเลือกกรอบเวลาที่ต้องการได้ทุกเมื่อสร้างค่าเฉลี่ย ช่วงเวลาที่ใช้บ่อยที่สุดในการเคลื่อนที่โดยเฉลี่ยอยู่ที่ 15, 20, 30, 50, 100 และ 200 วัน ช่วงเวลาสั้น ๆ ที่ใช้ในการสร้างค่าเฉลี่ยความละเอียดอ่อนมากขึ้นคือการเปลี่ยนแปลงราคา ยิ่งช่วงเวลาที่ยาวนานขึ้นเท่าไรก็ยิ่งอ่อนไหวหรือเรียบเนียนขึ้นเท่านั้นโดยเฉลี่ยแล้ว ไม่มีกรอบเวลาที่เหมาะสมที่จะใช้เมื่อตั้งค่าค่าเฉลี่ยเคลื่อนที่ของคุณ วิธีที่ดีที่สุดในการพิจารณาว่ารูปแบบใดที่ดีที่สุดสำหรับคุณคือการทดสอบกับช่วงเวลาต่างๆจนกว่าคุณจะพบกับช่วงเวลาที่เหมาะสมกับกลยุทธ์ของคุณ